SISREC 2024
SISREC 2024 en CAEPIA 2024: Avances en Sistemas de Recomendación Responsables, Explicables y Sostenibles
En el marco de la XX Conferencia de la Asociación Española para la Inteligencia Artificial (CAEPIA 2024), nuestra Red (RED2022-134302-T) celebró el congreso SISREC 2024, consolidando este foro como un espacio de referencia para la presentación y discusión de avances en Sistemas de Recomendación desde múltiples perspectivas: modelado, equidad, explicabilidad, escenarios emergentes y nuevas aplicaciones.
Durante el encuentro se presentaron contribuciones que reflejan la diversidad y madurez científica de la Red. En el ámbito de los modelos híbridos y basados en reglas secuenciales, se expusieron propuestas como el esquema de recomendación híbrido basado en reglas secuenciales (Ranchal-Parrado et al., 2024). En paralelo, se abordaron retos clave relacionados con la equidad y el sesgo en recomendación, incluyendo estudios sobre mitigación de sesgos en sistemas basados en localización (Sánchez et al., 2024), análisis de equidad en presupuestos participativos electrónicos (Alonso-Cortés et al., 2024) y métodos para enriquecer explicaciones mediante análisis formal de conceptos y visualización de grafos (Caro-Martínez et al., 2024).
El congreso también puso el foco en nuevos escenarios de experimentación y evaluación, con propuestas como la generación de conjuntos de datos sintéticos para el estudio del problema de arranque en frío (Herce-Zelaya et al., 2024), así como avances en la formalización de procesos de diseño y evaluación de sistemas recomendadores sensibles al contexto (Jorro-Aragoneses et al., 2024).
Asimismo, se presentaron contribuciones aplicadas al dominio del turismo inteligente, incluyendo trabajos sobre diseño de sistemas recomendadores para destinos emergentes (Solano-Barliza et al., 2024), modelos de elección en recomendación turística (Almomani et al., 2024) y perfilado a partir de redes sociales para recomendaciones personalizadas (Orama et al., 2024).
La celebración de SISREC 2024 en CAEPIA 2024 ha reforzado el papel de la Red como núcleo de colaboración científica a nivel nacional e internacional, promoviendo el desarrollo de sistemas de recomendación más robustos, transparentes y alineados con los valores de una Inteligencia Artificial responsable.
Durante el encuentro se presentaron contribuciones que reflejan la diversidad y madurez científica de la Red. En el ámbito de los modelos híbridos y basados en reglas secuenciales, se expusieron propuestas como el esquema de recomendación híbrido basado en reglas secuenciales (Ranchal-Parrado et al., 2024). En paralelo, se abordaron retos clave relacionados con la equidad y el sesgo en recomendación, incluyendo estudios sobre mitigación de sesgos en sistemas basados en localización (Sánchez et al., 2024), análisis de equidad en presupuestos participativos electrónicos (Alonso-Cortés et al., 2024) y métodos para enriquecer explicaciones mediante análisis formal de conceptos y visualización de grafos (Caro-Martínez et al., 2024).
El congreso también puso el foco en nuevos escenarios de experimentación y evaluación, con propuestas como la generación de conjuntos de datos sintéticos para el estudio del problema de arranque en frío (Herce-Zelaya et al., 2024), así como avances en la formalización de procesos de diseño y evaluación de sistemas recomendadores sensibles al contexto (Jorro-Aragoneses et al., 2024).
Asimismo, se presentaron contribuciones aplicadas al dominio del turismo inteligente, incluyendo trabajos sobre diseño de sistemas recomendadores para destinos emergentes (Solano-Barliza et al., 2024), modelos de elección en recomendación turística (Almomani et al., 2024) y perfilado a partir de redes sociales para recomendaciones personalizadas (Orama et al., 2024).
La celebración de SISREC 2024 en CAEPIA 2024 ha reforzado el papel de la Red como núcleo de colaboración científica a nivel nacional e internacional, promoviendo el desarrollo de sistemas de recomendación más robustos, transparentes y alineados con los valores de una Inteligencia Artificial responsable.